Java 一个21字节的UTF-8序列怎么可能只有5个字符？

在编写了一些基本代码来计算

字符串中的字符数之后，我发现了一个例子，其中UTF-8编码输出从一个5“字符
字符串创建了21个字节

以下是输出：

我知道Java对字符的内部表示是2个字节，有些字符可能需要两个Unicode代码单元来显示

由于UTF-8每个字符使用的字节数不超过4个，那么对于5个字符的
字符串
，长度如何可能超过20个

以下是消息来源：

import java.io.UnsupportedEncodingException;

public class StringTest {

    public static void main(String[] args) {
        displayStringInfo("อภิชาติ");
    }

    public static void displayStringInfo(String s) {
        System.out.println("Code units " + s.length());     
        try {
            System.out.println("UTF8 Bytes " + s.getBytes("UTF-8").length);
        } catch (UnsupportedEncodingException e) { // not handled }
        System.out.println("Characters " + characterLength(s));
    }

    public static int characterLength(String s) {
        int count = 0;
        for(int i=0; i<s.length(); i++) {
            if(!isLeadingUnit(s.charAt(i)) && !isMark(s.charAt(i))) count++;
        }
        return count;
    }

    private static boolean isMark(char ch) {
        int type = Character.getType(ch);
        return (type == Character.NON_SPACING_MARK ||
               type == Character.ENCLOSING_MARK ||
               type == Character.COMBINING_SPACING_MARK);
    }

    private static boolean isLeadingUnit(char ch) {
        return Character.isHighSurrogate(ch);
    }
}

import java.io.UnsupportedEncodingException；
公共类字符串测试{
公共静态void main（字符串[]args）{
displayStringInfo（“อภิชาติ");
}
公共静态void displayStringInfo（字符串s）{
System.out.println（“代码单位”+s.length（））；
试一试{
System.out.println（“UTF8字节”+s.getBytes（“UTF-8”）。长度）；
}捕获（不支持DencodingException e）{//未处理}
System.out.println（“字符”+字符长度）；
}
公共静态int字符长度（字符串s）{
整数计数=0；
对于（int i=0；i，您的“5个字符”字符串实际上由7个Unicode代码点组成：


U+0E2D泰文字符O ANG
U+0E20泰文字符PHO SAMPHAO
U+0E34泰国字符SARA I
U+0E0A泰文字符CHO CHANG
U+0E32泰国字符SARA AA
U+0E15泰语字符到TAO
U+0E34泰国字符SARA I

它们都在U+0800到U+FFFF范围内，UTF-8中每个字符需要3个字节，因此总长度为7×3=21个字节。
字符串中有7个字符：

 ' อ' (0x0e2d) encoded as {0xe0, 0xb8, 0xad}
  'ภ' (0x0e20) - / -      {0xe0, 0xb8, 0xa0}
  ' ิ' (0x0e34) - / -      {0xe0, 0xb8, 0xb4}
  'ช' (0x0e0a) - / -      {0xe0, 0xb8, 0x8a}
  'า' (0x0e32) - / -      {0xe0, 0xb8, 0xb2}
  'ต' (0x0e15) - / -      {0xe0, 0xb8, 0x95}
  ' ิ' (0x0e34) - / -      {0xe0, 0xb8, 0xb4}

每个符号由UTF-8中的三个字节编码，依此类推
当我编辑此
อภิชาติ在记事本中，
ภิ看起来像两个字符（同样适用于
ติ）是的，我假设它们都是合成字符，但其中两个似乎结合了一个变音符号“字符”“。是时候停止使用“字符”这个词了。它是代码点、字形还是什么。utf8everywhere.orgThank，有一刻我愚蠢地忘记了UTF-8在上限范围内可以使用比UTF-16更多的字节。当我的结果显示我有7个Unicode代码点时，这应该是显而易见的。
 ' อ' (0x0e2d) encoded as {0xe0, 0xb8, 0xad}
  'ภ' (0x0e20) - / -      {0xe0, 0xb8, 0xa0}
  ' ิ' (0x0e34) - / -      {0xe0, 0xb8, 0xb4}
  'ช' (0x0e0a) - / -      {0xe0, 0xb8, 0x8a}
  'า' (0x0e32) - / -      {0xe0, 0xb8, 0xb2}
  'ต' (0x0e15) - / -      {0xe0, 0xb8, 0x95}
  ' ิ' (0x0e34) - / -      {0xe0, 0xb8, 0xb4}